Stress Monitoring Using HRV and Deep Recurrent Neural Networks for Safety in Workplace: A Comparative Analysis
Notice bibliographique
Résumé
Workplace stress, a widespread issue in modern professional environments, significantly increases the potential for errors and accidents. Timely and precise stress identification is vital for fostering a secure and efficient work environment. This research introduces an innovative, comparative-analysis framework designed for real-time stress detection, utilizing Heart Rate Variability (HRV) as a reliable physiological indicator. Unlike standard heart rate measurements, HRV offers a granular view of the autonomic nervous system (ANS) function, enabling accurate stress evaluation. We implement a comprehensive methodology incorporating a refined preprocessing stage—including the removal of outliers, feature selection, and data normalization—along with a comparative assessment of eight deep recurrent neural network (RNN) architectures. These include vanilla RNN, bidirectional RNN (BiRNN), Gated Recurrent Unit (GRU), bidirectional GRU (BiGRU), standard Long Short-Term Memory network (LSTM), bidirectional LSTM (BiLSTM), Peephole LSTM, and Attention-based LSTM, applied to binary stress classification. Utilizing a dataset of 410,322 HRV records from the SWELL Knowledge Work (SWELL-KW) Dataset, our framework demonstrates exceptional performance, with the BiGRU architecture achieving a test accuracy of 99.51%. This study highlights the effectiveness of advanced temporal modeling and comparative analysis in creating robust stress detection systems for various occupational contexts, thereby enhancing workplace safety.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».